柴油发电机燃油装置堵塞或泄漏实验与故障解析

摘要：为有效解决康明斯柴油发电机PT燃油系统进油油路堵塞、滤清器泄漏、喷油泵油路堵塞等多种典型故障清除问题，提出了基于核主元解析（KPCA）和较小二乘支持向量机（LSSVM）的故障辨认步骤。本文采用多种群遗传算法对LSSVM的参数进行寻优，以达到提高模型分类性能的目的。通过柴油发电机组燃油机构堵塞和泄漏实验结果表明，KPCA提取的主特性向量高效表达了原始损坏的特征信息康明斯柴油机官网，相比于传统的BP神经网络和未经数据优选的LSSVM等类别模型，基于KPCA-LSSVM的故障辨识方式转速更快、分类正确率更高。

ζ ζ ζ 柴油发电机在运行步骤中突然熄火，按压手油泵，装置内充满燃油后，继续启动，但柴油发电机转动不到3分钟，又突然停机，一般是因为燃油装置发生堵塞或漏气所造成。燃油机构构成和原理如图1所示。

（1）拆下高压油泵回油螺丝，用右手按压手油泵压油（手油泵实物如图2所示），感觉油量符合规定，但柴油从过滤器流出的杂质较多，解体滤清器，检验柴油滤清器是否堵塞，结果发现柴油过滤器已变质，内部油泥较多，柴油过滤器已失去作用，更换新的滤清器，起动柴油发电机后，不到5分钟，又在运行中突然熄火。

（2）拆下柴油过滤器回油螺丝，按压手油泵，发现手油泵出油正常，手油泵密封良好。若无油出来，可能是油路进空气造成的，应立即进行油路排空。

③ζ上下移动手压油泵，手压油泵上移动时，手压油泵的进油口打开，柴油流向手压油泵底部空间，当手压油泵下移动时，手压油泵的进油口关闭，油泵通往柴油细滤清器的排油口打开、此时也是柴油细滤芯进有步骤，这样周而复始的移动手动油伐，柴油细滤清器逐步装满

④ζ当继续往柴油细过滤器收油时，柴油细滤芯的排空气孔开始往外排空气，直至空气排完溢油为止。

（3）拆下高压油泵侧盖板，拧下4根高压油管固定螺母，用一平口螺丝刀撬动柱塞，观察各缸是否出油，对柱塞和出油阀进行检查，结果也正常；燃烧室内密封不佳，柴油发电机起动该当很困难，而这台柴油发电机起动容易，不该当是气门漏气、气门间隙或供油提前角方面的问题。

（4）拆卸手油泵柴油发电机生产厂家，对手油泵的滚轮和顶杆进行检查，检查中发现滚轮进入顶秆套内，两个锁片的位置相差90°，滚轮被卡死，无法来回弹动，引起柴油发电机启动后，手油泵不能工作。

（5）调整两锁片的相对位置，安装手油泵和各回油管螺丝、高压油管与高压油泵的固定螺帽。启动柴油发电机，观察半小时后，无停机状况，损坏即被清除。

ζ ζ ζ PT泵出油口压力波动情况主要取决于装置的工作状态，因为采集的油压信号不具备明显的频域特性，因此在信号消除时主要采用时域分析的程序。

ζ ζ ζ 以正常状态的PT泵出油口压力信号为依据，分别提取怠速点油压、最大功率点油压、拐点转速油压及近停油点油压作为4个特点值。这4个特点值能够描述各种状态下信号的轮廓，然后计算不同状态油压信号的均值、方差、均方值、峰值、偏度、峭度、波形系数、峰值系数、脉冲系数、裕度系数及峰峰值11个时域特征参数，共计15个特点值。其中一组数据的特性值如表1所示。

ζ ζ ζ 5种不同工作状态的部分时域特点值如图3~6所示。比较图4中不同作业状态的特征值分布可以发现，不同工作状态的部分特征值差距不是很明显，如图3所示，对于过滤器泄漏、喷油器堵塞和喷油咀泄漏3种损坏，其拐点速度油压值都分布在0.1～0.2 MPa，差距不是很明显。

ζ ζ ζ 部分特点值存在交叉重迭的状况，如图4所示，对于正常状态、泵进油堵塞和喷油泵泄漏3种故障，其近停油点油压值在0.025～0.075 MPa存在交叉重迭的现状。因此，任何单一的特征参量都不能正确区分PT燃油系统的工作状态康明斯公司官网，为此需要进行多特点参数的融合，处理多特征值之间的重迭和交叉，提升识别的准确性。

ζ ζ ζ 采用高斯核的KPCA算法对原始特点矩阵进行特性提取，原始特点矩阵在经过标准化后，计算核矩阵、中心化核矩阵，得到矩阵特点值、各成分的贡献率以及累计贡献率如表1所示。

ζ ζ ζ 从表1可知，经KPCA提取的前2个主成分的累积贡献率为94.616 5%，达到了表达原始特征矩阵的目的。为此，文中购买主成分1和主成分2作为新的组合特点对PT燃油系统不同的作业状态进行辨识。前2个主成分累积贡献率如图7所示。

ζ ζ ζ 为了更直观地显示经KPCA特点提取后的效果，本文将提取的前2个主成分投影到二维平面显示，所有训练样本前2个主成分的二维分布效果如图8所示。

ζ ζ ζ 由图8可知，经过KPCA清除后，其核主成分具有较好的聚类性能，提取的综合特性值分布区间明显，不同类别样本间的可分性明显变好。所有样本的综合特性参数如表2所示。

ζ ζ ζ 为了检验文中所提算法的性能，本文采用其他2种不同的类型模型与其作对比，其中BP神经网络结构为3层，隐含层激活函数为双曲正切函数，隐含层神经元的个数是经网络训练误差对比确定的，输出层采用线性激活函数。不同的分类模型、模型的数据以及类型结果如表3所示。

ζ ζ ζ 由表3可知，与KPCA特性提取后的模型相比，在未经KPCA提取的状况下，类别模型的训练时间与测试样本的类别时间均较长且辨认率不高。本文并未与其他特性提取算法进行对比，比如粗糙集、主元分析等，这些程序的对比将在后续探求工作中开展。

ζ ζ ζ 比较经参数优化的LSSVM类型模型的识别结果可以看出，经过数据优化后，类别模型的识别率增强了，降低了模型在选定数据上的盲目性。同时，LSSVM模型和MPGA-LSSVM模型的辨认率都大于BP神经网络，这也充分体现了LSSVM针对小样本统计和预测学习方面的优越性。而BP-NN算法因为过分依赖模型训练程序中样本数据的数量和质量，因此在本文训练样本参数数量较小的情形下，损坏辨认率过低。

ζ ζ ζ 针对PT燃油装置损坏样本数据数量小、不具备明显频域特征以及类别器参数选型的问题，提出了KPCA和MPGA-LSSVM相结合的PT燃油泵损坏处置措施。主要结论如下：

（1）PT燃油机构油压信号为典型的非平稳信号，不具备明显的频域特性，且不一样工作状态下的时域特性数据存在交叉重迭的状况，单一特性参量无法正确辨认燃油装置的工作状态。

（2）针对PT燃油机构油压信号时域特征的特性，利用KPCA进行特性参数提取，处理了不同时域特性值之间存在的交叉重迭现状，简化了类型器构成，增强了模型辨认的正确率。

（3）关于LSSVM数据选取问题，采用MPGA群智能算法进行数据的优选。通过对比BP-NN、未经数据优选的标准LSSVM以及有没有经过KPCA进行特征提取等多种分类模型的辨认结果，说明了经过KPCA特性提取和经MPGA数据优选的LSSVM类别模型具有更快的诊断转速和更高的正确率，具有更强的工程实用性。